近年来，人工智能的发展十分迅速，这主要得益于那些能够生成文本、图像、代码、决策甚至科学假说的模型。但现在有一个新的问题正在重塑这一领域：如何将这些强大的模型转化为能在现实世界中可靠运行的系统？
这就是从智能模型向智能代理的转变。模型是在被触发时才会产生输出，而代理则会追求目标、规划行动、观察结果、调整策略，并与人类及其他代理协同工作。这种转变并非虚言。随着企业级人工智能从单一代理的触发操作转向多代理的协同运作，核心问题也发生了变化：从扩展模型规模转变为在不确定性、约束条件及相互竞争的目标下设计行为。
计算智能并非大型模型的辅助工具，它才是将模型转化为代理的行为基础。
原因在于，代理型人工智能中最棘手的问题，正是计算智能数十年来一直在研究的问题，只不过用的是不同的名称。如何协调多个代理而不引发连锁故障，这是群体稳定性和分布式搜索的问题；如何在安全性与实用性之间取得平衡，则是一个多目标优化问题，而非提示工程的问题。在奖励稀疏的情况下进行长期规划，则需要我们这个领域多年来不断完善的信用分配和替代辅助方法。此外，近期由大型语言模型驱动的进化搜索技术——即由大型模型提出候选方案，再通过进化循环对它们进行筛选、组合和验证——能够产生可解释、可检查且可正式验证的控制策略，这是纯神经网络方法无法实现的。这并非计算智能在借鉴大型语言模型的成果，而是大型语言模型时代解决了计算智能早已准备应对的问题。
本期文章探讨了这一转变的五个方面：代理如何感知（基于大型语言模型的生理信号解码）、如何体验情感（生成式人工智能与情感计算）、如何高效思考（类脑智能与节能型智能）、如何设计代理（神经架构搜索），以及如何在冲突情况下做出决策（用于工业决策制定的进化多目标优化）。这些文章共同勾勒出了代理型计算智能的发展方向。
在中国著名的联合国教科文组织世界遗产福建土楼前，大家笑容满面：左侧是《计算机集成制造》杂志前主编陈丹凯教授，右侧是江敏。
对《计算机集成制造》杂志而言，这一时刻意义重大。该杂志应当成为计算智能社区定义、规划并塑造代理型人工智能发展方向的平台，而非事后才对此进行描述。我们尤其欢迎那些基于计算智能原理的多代理协调研究、代理架构与提示的进化优化研究、将安全性与一致性视为多目标问题的研究，以及关于代理在真实不确定性环境下的行为研究。模型赋予了人工智能能力，而计算智能则将决定其行为方式。
